Выборка Томпсона - Википедия - Thompson sampling

Эта статья нужны дополнительные цитаты для проверка. Пожалуйста помоги улучшить эту статью к добавление цитат в надежные источники. Материал, не полученный от источника, может быть оспорен и удален. Найдите источники: «Сэмплинг Томпсона»  – Новости  · газеты  · книги  · ученый  · JSTOR (Май 2012 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Выборка Томпсона,^[1][2] названный в честь Уильяма Р. Томпсона, это эвристика для выбора действий, которая решает дилемму разведки-эксплуатации в многорукий бандит проблема. Он состоит в выборе действия, которое максимизирует ожидаемую награду по отношению к случайно выбранному убеждению.

Описание

Этот раздел включает Список ссылок, связанное чтение или внешняя ссылка, но его источники остаются неясными, потому что в нем отсутствует встроенные цитаты. Пожалуйста, помогите улучшать этот раздел введение более точные цитаты. (Май 2012 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Рассмотрим набор контекстов ${ displaystyle { mathcal {X}}}$, набор действий ${ displaystyle { mathcal {A}}}$и награды в ${ Displaystyle mathbb {R}}$. В каждом раунде игрок получает контекст ${ displaystyle x in { mathcal {X}}}$, играет действие ${ displaystyle a in { mathcal {A}}}$ и получает награду ${ Displaystyle г в mathbb {R}}$ следование распределению, которое зависит от контекста и выданного действия. Цель игрока состоит в том, чтобы выполнять действия, направленные на максимальное увеличение совокупных наград.

Элементы выборки Томпсона следующие:

1. функция правдоподобия ${ Displaystyle Р (г | тета, а, х)}$;
2. множество ${ displaystyle Theta}$ параметров ${ displaystyle theta}$ распределения ${ displaystyle r}$;
3. предварительное распространение ${ Displaystyle Р ( тета)}$ по этим параметрам;
4. тройняшки прошлых наблюдений ${ Displaystyle { mathcal {D}} = {(х; а; г) }}$;
5. апостериорное распределение ${ Displaystyle P ( theta | { mathcal {D}}) propto P ({ mathcal {D}} | theta) P ( theta)}$, куда ${ Displaystyle Р ({ mathcal {D}} | theta)}$ - функция правдоподобия.

Выборка Томпсона заключается в воспроизведении действия ${ displaystyle a ^ { ast} in { mathcal {A}}}$ в зависимости от вероятности того, что он максимизирует ожидаемую награду, т.е. действие ${ displaystyle a ^ { ast}}$ выбирается с вероятностью

${ displaystyle int mathbb {I} left [ mathbb {E} (r | a ^ { ast}, x, theta) = max _ {a '} mathbb {E} (r | a ', x, theta) right] P ( theta | { mathcal {D}}) d theta,}$

куда ${ displaystyle mathbb {I}}$ это индикаторная функция.

На практике правило реализуется путем выборки в каждом раунде параметров ${ displaystyle theta ^ { ast}}$ от заднего ${ Displaystyle Р ( тета | { mathcal {D}})}$, и выбирая действие ${ displaystyle a ^ { ast}}$ что максимизирует ${ Displaystyle mathbb {E} [г | theta ^ { ast}, a ^ { ast}, x]}$, т.е. ожидаемое вознаграждение с учетом выбранных параметров, действия и текущего контекста. Концептуально это означает, что игрок случайным образом реализует свои убеждения в каждом раунде в соответствии с апостериорным распределением, а затем действует оптимально в соответствии с ними. В большинстве практических приложений поддержание и выборка из апостериорного распределения по моделям обременительны с вычислительной точки зрения. Таким образом, отбор проб Томпсона часто используется вместе с методами приблизительного отбора проб.^[2]

История

Отбор проб Томпсона был первоначально описан Томпсоном в 1933 году.^[1]. Впоследствии он неоднократно открывался заново независимо в контексте проблем многоруких бандитов.^{[3][4][5][6][7][8]} Первое доказательство сходимости в случае бандита было показано в 1997 году.^[3] Первое приложение к Марковские процессы принятия решений был в 2000 году.^[5] Родственный подход (см. Правило байесовского контроля ) был опубликован в 2010 году.^[4] В 2010 году также было показано, что выборка Томпсона мгновенно самокорректирующийся.^[8] Результаты асимптотической сходимости для контекстных бандитов были опубликованы в 2011 году.^[6] В настоящее время выборка Томпсона широко используется для решения многих задач онлайн-обучения: выборка Томпсона также применяется для A / B-тестирования в дизайне веб-сайтов и онлайн-рекламе;^[9] Выборка Томпсона стала основой для ускоренного обучения децентрализованному принятию решений;^[10] Двойной отбор проб Томпсона (D-TS) ^[11] Предложен алгоритм дуэли бандитов, вариант традиционного МАБ, где обратная связь поступает в формате попарного сравнения.

Отношение к другим подходам

Соответствие вероятности

Сопоставление вероятностей - это стратегия принятия решений, в которой прогнозы членства в классе пропорциональны базовым ставкам класса. Таким образом, если в обучающем наборе положительные примеры наблюдаются в 60% случаев, а отрицательные примеры наблюдаются в 40% случаев, наблюдатель, использующий стратегию сопоставления вероятностей, предсказывает (для немаркированных примеров) метку класса «положительный». в 60% случаев и метка класса «негативный» в 40% случаев.

Правило байесовского контроля

Обобщение выборки Томпсона на произвольные динамические среды и причинные структуры, известные как Правило байесовского контроля, было показано, что это оптимальное решение проблемы адаптивного кодирования с действиями и наблюдениями.^[4] В этой формулировке агент концептуализируется как смесь набора поведений. Когда агент взаимодействует со своей средой, он изучает причинные свойства и принимает поведение, которое минимизирует относительную энтропию к поведению с наилучшим предсказанием поведения окружающей среды. Если это поведение было выбрано в соответствии с принципом максимальной ожидаемой полезности, то асимптотическое поведение правила байесовского управления соответствует асимптотическому поведению совершенно рационального агента.

Настройка выглядит следующим образом. Позволять ${ displaystyle a_ {1}, a_ {2}, ldots, a_ {T}}$ быть действиями, выданными агентом в срок ${ displaystyle T}$, и разреши ${ displaystyle o_ {1}, o_ {2}, ldots, o_ {T}}$ быть наблюдениями, собранными агентом до времени ${ displaystyle T}$. Затем агент выдает действие ${ displaystyle a_ {T + 1}}$ с вероятностью:^[4]

${ displaystyle P (a_ {T + 1} | { hat {a}} _ {1: T}, o_ {1: T}),}$

где "шляпа" - обозначение ${ displaystyle { hat {a}} _ {t}}$ обозначает тот факт, что ${ displaystyle a_ {t}}$ является причинным вмешательством (см. Причинно-следственная связь ), а не обычное наблюдение. Если агент придерживается убеждений ${ displaystyle theta in Theta}$ над его поведением, то правило байесовского контроля становится

${ displaystyle P (a_ {T + 1} | { hat {a}} _ {1: T}, o_ {1: T}) = int _ { Theta} P (a_ {T + 1} | theta, { hat {a}} _ {1: T}, o_ {1: T}) P ( theta | { hat {a}} _ {1: T}, o_ {1: T}) , d theta}$,

куда ${ displaystyle P ( theta | { hat {a}} _ {1: T}, o_ {1: T})}$ - апостериорное распределение по параметру ${ displaystyle theta}$ данные действия ${ displaystyle a_ {1: T}}$ и наблюдения ${ displaystyle o_ {1: T}}$.

На практике байесовский контроль представляет собой выборку на каждом временном шаге параметра ${ displaystyle theta ^ { ast}}$ из апостериорного распределения ${ displaystyle P ( theta | { hat {a}} _ {1: T}, o_ {1: T})}$, где апостериорное распределение вычисляется с использованием правила Байеса только с учетом (причинной) вероятности наблюдений ${ displaystyle o_ {1}, o_ {2}, ldots, o_ {T}}$ и игнорирование (причинной) вероятности действий ${ displaystyle a_ {1}, a_ {2}, ldots, a_ {T}}$, а затем путем выборки действия ${ displaystyle a_ {T + 1} ^ { ast}}$ из раздачи действий ${ displaystyle P (a_ {T + 1} | theta ^ { ast}, { hat {a}} _ {1: T}, o_ {1: T})}$.

Алгоритмы верхней доверительной границы (UCB)

Алгоритмы выборки Томпсона и верхней доверительной границы имеют общее фундаментальное свойство, лежащее в основе многих их теоретических гарантий. Грубо говоря, оба алгоритма распределяют исследовательские усилия на действия, которые могут быть оптимальными и в этом смысле «оптимистичными». Используя это свойство, можно преобразовать границы сожаления, установленные для алгоритмов UCB, в байесовские границы сожаления для выборки Томпсона.^[12] или объединить анализ сожалений для обоих этих алгоритмов и многих классов проблем.^[13]

Рекомендации